Tôi đang tính toán một bộ lọc Kalman rất đơn giản (mô hình đi bộ ngẫu nhiên + tiếng ồn).
Tôi thấy rằng đầu ra của bộ lọc rất giống với trung bình di động.
Có một sự tương đương giữa hai?
Nếu không, sự khác biệt là gì?
Tôi đang tính toán một bộ lọc Kalman rất đơn giản (mô hình đi bộ ngẫu nhiên + tiếng ồn).
Tôi thấy rằng đầu ra của bộ lọc rất giống với trung bình di động.
Có một sự tương đương giữa hai?
Nếu không, sự khác biệt là gì?
Câu trả lời:
Một mô hình đi bộ + tiếng ồn ngẫu nhiên có thể được hiển thị tương đương với EWMA (trung bình di chuyển theo cấp số nhân). Mức tăng kalman cuối cùng giống như trọng số EWMA.
Điều này được hiển thị cho một số chi tiết trong Phân tích chuỗi thời gian theo Không gian trạng thái , nếu bạn Bộ lọc Kalman của Google và EWMA, bạn sẽ tìm thấy một số tài nguyên thảo luận về sự tương đương.
Trong thực tế, bạn có thể sử dụng tương đương không gian trạng thái để xây dựng khoảng tin cậy cho các ước tính EWMA, v.v.
Để bắt đầu: Sự tương đương của bộ lọc Kalman với EWMA chỉ dành cho trường hợp "đi bộ ngẫu nhiên cộng với tiếng ồn" và nó được trình bày trong cuốn sách, Dự báo mô hình chuỗi thời gian cấu trúc và bộ lọc Kalman của Andrew Harvey. Sự tương đương của EWMA với bộ lọc Kalman để đi bộ ngẫu nhiên với tiếng ồn được trình bày ở trang 175 của văn bản. Ở đó, tác giả cũng đề cập rằng sự tương đương của hai lần đầu tiên được thể hiện vào năm 1960 và đưa ra tham chiếu cho nó. Đây là liên kết cho trang đó của văn bản: https://books.google.com.vn/books?id=Kc6tnRHBwLcC&pg=PA175&lpg=PA175&dq=ewma+and+kalman+for+random+walk+with+noise&source=bl&ots = RdUCwgFE1s7zrPFylF3e3HxIUNY & hl = en & sa = X & ved = 0%
Bây giờ đây là tài liệu tham khảo bao gồm một ALETERNECT cho các bộ lọc Kalman và Kalman mở rộng - nó mang lại kết quả phù hợp với bộ lọc Kalman nhưng kết quả thu được nhanh hơn nhiều! Đó là "Làm mịn theo cấp số nhân hai lần: Một thay thế cho theo dõi dự đoán dựa trên bộ lọc Kalman." Trong Tóm tắt của bài báo (xem bên dưới), các tác giả nêu rõ "... kết quả thực nghiệm hỗ trợ tính hợp lệ của các tuyên bố của chúng tôi rằng các dự đoán này nhanh hơn, dễ thực hiện hơn và thực hiện tương đương với các dự đoán lọc Kalman và mở rộng Kalman ..."
http://cs.brown.edu/~jjl/pub/kfvsexp_final_laviola.pdf
Đây là Tóm tắt của chúng tôi "Chúng tôi trình bày các thuật toán mới để theo dõi dự đoán vị trí và hướng của người dùng dựa trên việc làm mịn theo cấp số nhân. Các thuật toán này, khi so sánh với Kalman và các dự đoán dựa trên bộ lọc Kalman mở rộng với các mô hình đo lường miễn phí phái sinh, chạy nhanh hơn khoảng 135 lần Bài báo này mô tả các thuật toán này một cách chi tiết cùng với các dự đoán Kalman và bộ lọc Kalman mở rộng được thử nghiệm. Ngoài ra, chúng tôi mô tả chi tiết về một thử nghiệm dự đoán và đưa ra kết quả thực nghiệm hỗ trợ tính hợp lệ của các tuyên bố của chúng tôi rằng các dự đoán này là nhanh hơn, dễ thực hiện hơn và thực hiện tương đương với các dự đoán lọc Kalman và mở rộng Kalman. "